System oceny fizjoterapii oparty na sztucznej inteligencji do oceny zakresu ruchu u pacjentów z rakiem jamy ustnej
Trajektoria i wiarygodność systemu oceny fizjoterapeutycznej opartego na sztucznej inteligencji dla zakresu ruchu oromandibularnego i szyjno-barkowego u pacjentów z rakiem jamy ustnej
Niniejsze badanie ma na celu ocenę trafności i rzetelności nowatorskiego systemu oceny fizjoterapeutycznej opartego na sztucznej inteligencji do pomiaru zakresu ruchu (ROM) oromandibularnego oraz szyjno-barkowego. Tradycyjne oceny ROM opierają się na pomiarach manualnych, które mogą być zależne od doświadczenia oceniającego i zmienności. Proponowany system AI wykorzystuje automatyczne śledzenie punktów kluczowych do zapewnienia obiektywnych i ustandaryzowanych pomiarów.
W tym przekrojowym badaniu zdrowi dorośli uczestnicy wykonają ustandaryzowane zadania ROM. Pomiary uzyskane z systemu AI będą porównywane z pomiarami dwóch niezależnych oceniających przy użyciu konwencjonalnych narzędzi klinicznych. Powtórzone pomiary zostaną przeprowadzone w celu oceny rzetelności wewnątrzoceniającej i międzytestującej. Zgodność między systemem AI a ludzkimi oceniającymi zostanie oceniona w celu określenia klinicznej zastosowalności systemu.
Przegląd badań
Status
Szczegółowy opis
To badanie jest przekrojowym badaniem pomiarowym zaprojektowanym do oceny rzetelności i współbieżnej trafności opartego na sztucznej inteligencji systemu oceny fizjoterapeutycznej służącego do oceny zakresu ruchu (ROM) oromandibularnego oraz szyjno-barkowego.
Uczestnikami będą zdrowi dorośli w wieku od 20 do 70 lat spełniający wstępnie zdefiniowane kryteria włączenia i wykluczenia.
Po wyrażeniu świadomej zgody uczestnicy wykonają zestandaryzowane ruchy, w tym otwieranie ust oraz zadania zakresu ruchu szyjnego i barkowego.
Każdy uczestnik przejdzie trzykrotne powtórzenia pomiarów dla każdego ruchu.
Zakres ruchu zostanie oceniony przy użyciu trzech metod: (1) systemu opartego na sztucznej inteligencji wykorzystującego śledzenie punktów kluczowych w czasie rzeczywistym i automatyczne obliczanie kątów, (2) pomiaru ręcznego przez Oceniającego 1 oraz (3) niezależnego pomiaru ręcznego przez Oceniającego 2 przy użyciu goniometru lub skali zakresu ruchu TheraBite.
Aby zminimalizować błąd pomiaru i efekty zmęczenia, kolejność trzech metod oceny będzie losowana dla każdego uczestnika.
Oceniający będą zaślepieni w stosunku do pomiarów drugiego oceniającego oraz wyników generowanych przez sztuczną inteligencję.
Główne wyniki obejmują międzyoceniającą i wewnątrzoceniającą rzetelność systemu AI oraz zgodność między pomiarami opartymi na sztucznej inteligencji a pomiarami ręcznymi.
Rzetelność będzie oceniana przy użyciu współczynników korelacji wewnątrzklasowej (ICC), podczas gdy zgodność będzie oceniana przy użyciu analizy Blanda-Altmana i średniego błędu bezwzględnego (MAE).
Oczekuje się, że to badanie dostarczy dowodów wspierających kliniczną stosowalność narzędzi oceny fizjoterapeutycznej opartych na sztucznej inteligencji, szczególnie w przypadku zestandaryzowanych i skalowalnych ocen układu mięśniowo-szkieletowego.
Typ studiów
Zapisy (Szacowany)
Kontakty i lokalizacje
Kontakt w sprawie studiów
- Nazwa: Yueh-Hsia Chen, Ph.D.
- Numer telefonu: +886-2-33668133
- E-mail: yuehhsiachen@ntu.edu.tw
Lokalizacje studiów
-
-
-
Taipei, Tajwan, 100
- Rekrutacyjny
- School and Graduate Institute of Physical Therapy, College of Medicine, National Taiwan University
-
Kontakt:
- Yueh-Hsia Chen, Ph.D
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria włączenia:
- Zdrowi dorośli w wieku od 20 do 70 lat
- Brak szczękościsku
- Brak historii urazów lub operacji głowy, szyi lub barku
- Brak historii radioterapii lub chemioterapii związanej z nowotworami głowy i szyi
Kryteria wykluczenia:
- Niemożność komunikacji lub wykonywania instrukcji
- Wszelkie schorzenia mogące wpłynąć na wykonanie ruchu
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Kohorty i interwencje
Grupa / Kohorta |
|---|
|
Grupa zdrowa
Zrekrutowano zdrowych dorosłych w wieku od 20 do 70 lat bez historii szczękościsku, urazów lub operacji głowy, szyi lub barku, radioterapii lub chemioradioterapii związanej z nowotworami głowy i szyi.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Porozumienie między pomiarami AI a manualnymi
Ramy czasowe: Linia podstawowa
|
Porozumienie między pomiarami opartymi na sztucznej inteligencji a pomiarami manualnymi ocenione za pomocą współczynników korelacji wewnątrzklasowej (ICC) i analizy Blanda-Altmana
|
Linia podstawowa
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Średni Błąd Bezwzględny (MAE)
Ramy czasowe: Wartość wyjściowa
|
Średnia bezwzględna różnica między pomiarami AI a pomiarami manualnymi
|
Wartość wyjściowa
|
|
Intra-rater reliability of human raters
Ramy czasowe: Baselinte
|
Spójność pomiarów manualnych wykonanych przez Oceniającego 1 i Oceniającego 2 w powtarzanych próbach przy użyciu współczynników korelacji wewnątrzklasowej (ICC)
|
Baselinte
|
|
Zgodność między oceniającymi wśród wszystkich oceniających
Ramy czasowe: Linia bazowa
|
Zgodność pomiędzy pomiarami uzyskanymi z systemu AI, Oceny 1 i Oceny 2 zostanie oceniona przy użyciu współczynników korelacji wewnątrzklasowej (ICC)
|
Linia bazowa
|
|
Niezawodność wewnątrzosobnicza systemu AI
Ramy czasowe: Linia wyjściowa
|
Spójność pomiarów opartych na sztucznej inteligencji w trzech powtórzonych próbach z wykorzystaniem współczynników korelacji wewnątrzklasowej (ICC)
|
Linia wyjściowa
|
|
Systematyczne obciążenie pomiarowe
Ramy czasowe: Wartość wyjściowa
|
Średnia różnica między pomiarami opartymi na sztucznej inteligencji a pomiarami ręcznymi
|
Wartość wyjściowa
|
Współpracownicy i badacze
Śledczy
- Główny śledczy: Yueh-Hsia Chen, Ph.D., School and Graduate Institute of Physical Therapy, College of Medicine, National Taiwan University
Publikacje i pomocne linki
Publikacje ogólne
- Agarwal P, Shiva Kumar HR, Rai KK. Trismus in oral cancer patients undergoing surgery and radiotherapy. J Oral Biol Craniofac Res. 2016 Nov;6(Suppl 1):S9-S13. doi: 10.1016/j.jobcr.2016.10.004. Epub 2016 Oct 22.
- Deb S, Islam MF, Rahman S, Rahman S. Graph Convolutional Networks for Assessment of Physical Rehabilitation Exercises. IEEE Trans Neural Syst Rehabil Eng. 2022;30:410-419. doi: 10.1109/TNSRE.2022.3150392. Epub 2022 Feb 23.
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Szacowany)
Ukończenie studiów (Szacowany)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- 202603023RIND
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Opis planu IPD
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .